Qwen3.6-35B-A3B-FP8

‍

Beschreibung

„Qwen3.6-35B-A3B-FP8" ist ein Mixture-of-Experts-Sprachmodell (MoE) von Alibaba mit 35 Milliarden Gesamtparametern, von denen jeweils ca. 3 Milliarden pro Forward-Pass aktiv sind. Es ist für effiziente, qualitativ hochwertige Chat- und agentische Workflows mit Reasoning- und Vision-Fähigkeiten ausgelegt und eignet sich für die Analyse langer Dokumente und ausgedehnte Mehrturngespräche.

Dieses Modell hat den Lebenszyklus-Status Stable‍. Schalten wir es ab oder ersetzen wir es, kündigen wir das mindestens 3 Monate vorher an.

Geeignet für und unterstützt:

• Textgenerierung innerhalb einer Chat-Completion (Text zu Text)
• Tool-Calling für agentische Workflows
• Bildverständnis (Vision)
• Thinking / Reasoning für schrittweises Problemlösen
• Verarbeitung langer Dokumente und erweiterter Kontexte

Folgende Limitierungen gelten:

• Maximale Context-Länge: 256.000 Token
• Der Thinking-Modus benötigt mindestens 128.000 Token verbleibenden Context, um korrekt zu funktionieren
• Bilder müssen als Base64-kodierte Data-URLs übermittelt werden (keine externen URLs)

Thinking-Modus ist standardmäßig aktiviert. Wie du ihn korrekt deaktivierst, zeigt der Abschnitt Thinking-Modus deaktivieren‍ — der Parameter muss in chat_template_kwargs verschachtelt werden.

Thinking-Modus ist standardmäßig aktiviert und kann zu langen Antwortzeiten führen

Das Modell generiert vor jeder Antwort eine interne Gedankenkette. Bei komplexen Prompts kann diese Tausende von Tokens umfassen und die Zeit bis zum ersten Token (TTFT) um mehrere Sekunden erhöhen.

Häufiger Fehler: enable_thinking: false als Top-Level-Feld im Request-Body übergeben — die API ignoriert es stillschweigend und der Thinking-Modus bleibt aktiv. Es muss wie unten gezeigt in chat_template_kwargs verschachtelt werden.

Nutzt du dieses Modell aus n8n heraus? Der eingebaute OpenAI Chat Model-Node kann chat_template_kwargs nicht setzen — siehe Reasoning-Modelle und Thinking-Modus‍ für einen Workaround per Community-Node.

Schickst du das an /v1/responses statt an /v1/chat/completions? chat_template_kwargs gehört nicht zur Responses-API und wird dort entfernt, solange es nicht in allowed_openai_params genannt ist — siehe Die Denkphase abschalten‍, dort steht auch das Feld reasoning.effort des Endpunkts.

Thinking-Modus deaktivieren

from openai import OpenAI

client = OpenAI(
    base_url="https://llm.aihosting.mittwald.de/v1",
    api_key="sk-your-api-key-here",
)

response = client.chat.completions.create(
    model="Qwen3.6-35B-A3B-FP8",
    messages=[{"role": "user", "content": "Was ist 2 + 2?"}],
    temperature=0.7,
    top_p=0.8,
    max_tokens=32768,
    extra_body={
        "chat_template_kwargs": {"enable_thinking": False},
        #                        ^^^^^^^^^^^^^^^^^^^^^^^^
        # Muss hier verschachtelt sein — enable_thinking auf Top-Level-Ebene
        # wird von der API stillschweigend ignoriert.
    },
)

print(response.choices[0].message.content)

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://llm.aihosting.mittwald.de/v1",
  apiKey: "sk-your-api-key-here",
});

const response = await client.chat.completions.create({
  model: "Qwen3.6-35B-A3B-FP8",
  messages: [{ role: "user", content: "Was ist 2 + 2?" }],
  temperature: 0.7,
  top_p: 0.8,
  max_tokens: 32768,
  // @ts-ignore – vLLM-Erweiterung; muss hier verschachtelt sein, nicht enable_thinking auf Top-Level
  chat_template_kwargs: { enable_thinking: false },
} as any);

console.log(response.choices[0].message.content);

<?php
// composer require openai-php/client guzzlehttp/guzzle

$client = OpenAI::factory()
    ->withBaseUri('https://llm.aihosting.mittwald.de/v1')
    ->withApiKey('sk-your-api-key-here')
    ->make();

$response = $client->chat()->create([
    'model' => 'Qwen3.6-35B-A3B-FP8',
    'messages' => [
        ['role' => 'user', 'content' => 'Was ist 2 + 2?'],
    ],
    'temperature' => 0.7,
    'top_p' => 0.8,
    'max_tokens' => 32768,
    'chat_template_kwargs' => ['enable_thinking' => false],
    // Muss hier verschachtelt sein — 'enable_thinking' => false auf Top-Level-Ebene
    // wird von der API stillschweigend ignoriert.
]);

echo $response->choices[0]->message->content;

Antwort auslesen

Wenn der Thinking-Modus aktiviert ist (Standard), liefert das Modell zwei separate Felder:

Feld	Inhalt
choices[0].message.reasoning_content	Interne Gedankenkette (kann sehr lang sein)
choices[0].message.content	Endgültige Antwort

Wenn content leer ist, hat das Modell seine Antwort in den Reasoning-Block geschrieben — deaktiviere den Thinking-Modus, damit content immer befüllt wird.

print(response.choices[0].message.reasoning_content)  # interne Gedankenkette
print(response.choices[0].message.content)             # endgültige Antwort

Empfohlene Inferenzparameter

Das Modell hat je nach Anwendungsfall unterschiedliche empfohlene Einstellungen. Greedy-Decoding (temperature 0) sollte vermieden werden – es kann zu Leistungseinbußen und endlosen Wiederholungen führen.

Thinking-Modus (Standard)

Allgemeine Aufgaben:

Parameter	Wert
temperature	1.0
top_p	0.95
top_k	20
presence_penalty	1.5

Präzise Coding-Aufgaben / Webentwicklung:

Parameter	Wert
temperature	0.6
top_p	0.95
top_k	20
presence_penalty	0.0

Non-Thinking-Modus (enable_thinking: false)

Allgemeine Aufgaben:

Parameter	Wert
temperature	0.7
top_p	0.8
top_k	20
presence_penalty	1.5

Reasoning / Mathematik / komplexe Problemlösung:

Parameter	Wert
temperature	1.0
top_p	1.0
top_k	40
presence_penalty	2.0

Ausgabelänge

Setze max_tokens entsprechend der Aufgabenkomplexität, um Kosten und Latenz zu steuern:

Aufgabentyp	Empfohlenes max_tokens
Standardanfragen	32.768
Komplexe Aufgaben (Mathematik, Programmierwettbewerbe)	81.920

Tipps für spezifische Aufgaben

Vision (Bild zu Text)

Für Vision-Aufgaben sollte der Thinking-Modus immer deaktiviert werden – er erhöht die Latenz, ohne das Bildverständnis zu verbessern:

extra_body={"chat_template_kwargs": {"enable_thinking": False}}

Empfohlene Parameter für Vision:

Parameter	Wert
temperature	0.7
top_p	0.8
top_k	20
max_tokens	512–2048 je nach Aufgabe

Für präzise Texterkennung (OCR) oder das Auslesen von Daten empfiehlt sich stattdessen temperature=0.1.

Bilder sollten vor der Base64-Kodierung auf maximal 1024 px an der längsten Seite skaliert werden – große Bilder erhöhen die Wartezeit bis zum ersten Token (TTFT) erheblich. Die erste Anfrage für ein neues Bild hat eine längere TTFT, während der Bild-Encoder aufwärmt; nachfolgende Anfragen mit demselben Bild profitieren vom Caching. Fertige Hilfsfunktionen sind in den Python-Beispielen‍ und JavaScript-Beispielen‍ verfügbar.

Mathematikaufgaben

Für beste Ergebnisse bei mathematischen Aufgaben füge folgende Anweisung an deinen Prompt an:

Please reason step by step, and put your final answer within \boxed{}.

Multiple-Choice-Fragen

Für konsistente, parsierbare Ausgaben bei Multiple-Choice-Aufgaben füge Folgendes an deinen Prompt an:

Please show your choice in the 'answer' field with only the choice letter, e.g., 'answer': 'C'.

Nutzungsbedingungen und Lizenzhinweise

Das Modell wird von Alibaba unter der Apache 2.0-Lizenz‍ angeboten, eine Weiternutzung der generierten Inhalte unterliegt keiner zusätzlichen Restriktion.